Fayçal Khaled

Une IA qui se relit elle-même laisse passer ses propres erreurs. J'ai conçu un système où deux IA de fournisseurs différents travaillent ensemble : l'une produit, l'autre vérifie. C'est mon environnement de travail au quotidien. • Claude Code (Anthropic) construit, Codex (OpenAI) relit de façon indépendante et rend un verdict par critère, preuves à l'appui • Un noyau en Python contrôle le relecteur lui-même : lecture seule, réseau coupé, périmètre vérifié • Validation humaine avant chaque vérification et toute action sensible ; secrets bloqués, données personnelles masquées • Agents planifiés qui produisent des rapports quotidiens, avec modèle, budget et permissions limités • Isolation par projet, trace de chaque étape, tests automatisés Outils : Claude Code, Codex, Python, MCP, Git et GitHub, JSON Schema. Résultat : une vérification croisée qui demandait sept commandes manuelles se lance en une seule approbation.

Des données financières éparses, mises à jour à la main : j'ai construit un outil qui les transforme chaque jour en tableau de bord fiable, et où l'IA prépare les décisions sans jamais inventer un chiffre. • Traitement quotidien automatique : import des données, prix et taux de change BCE, valorisation, écarts par rapport aux objectifs, performance réelle • Source de données de secours qui prend le relais si la source principale tombe • Base SQL, montants stockés au centime près • Principe central : le code calcule, l'IA raisonne • Journal des décisions validées par un humain ; relecture croisée par un second modèle • 89 tests automatisés, décisions d'architecture documentées Outils : Python, SQL (SQLite), API REST, Claude Code, MCP, Git et GitHub, pytest. Résultat : un traitement quotidien qui tourne seul depuis des semaines, avec reprise automatique en cas d'échec. La même méthode s'applique au suivi de trésorerie ou aux tableaux de bord d'une entreprise.

Pour prospecter mes futurs clients, j'ai construit pour moi le type de système que je vends. • Sourcing des entreprises par l'API publique des données d'entreprises, filtré par activité et taille • Déduplication et enrichissement des contacts • Scoring des prospects, avec des filtres placés avant l'enrichissement pour ne pas payer de crédits inutiles • Agents IA spécialisés : un agent trouve un fait public vérifiable sur chaque entreprise, un agent vérificateur le recontrôle (source, homonymes, procédures collectives) • Préparation des messages et validation humaine avant envoi Outils : n8n, Airtable, API Recherche d'entreprises (données SIRENE), Claude Code, Codex, Python. Résultat : des entreprises en procédure collective écartées automatiquement avant tout contact, et une base de prospects sans aucun doublon, qui s'enrichit à chaque campagne.